Machine Learning Runtime
Die sofort einsatzbereite und optimierte Machine-Learning-Umgebung
Die Machine Learning Runtime (MLR) bietet Data Scientists und ML-Anwendern skalierbare Cluster mit gängigen Frameworks, integriertem AutoML und Optimierungen – und damit unerreichte Performance.
Vorteile
FRAMEWORKS NACH WUNSCH
ML-Frameworks entwickeln sich rasant weiter und die Anwender müssen durchschnittlich 8 Bibliotheken verwalten. ML Runtime bietet per Mausklick Zugriff auf eine zuverlässige und performante Verteilung der gängigsten ML-Frameworks und benutzerdefinierten ML-Umgebungen über vordefinierte Container.
AUGMENTIERTES MACHINE LEARNING
Beschleunigen Sie das Machine Learning von der Datenvorbereitung bis zur Schlussfolgerung mit den integrierten AutoML-Funktionen, einschließlich Hyperparameter-Tuning und Modellsuche mit Hyperopt und MLflow.
VEREINFACHTE SKALIERUNG
Mit einer automatisch verwalteten und skalierbaren Cluster-Infrastruktur können Sie mühelos von kleinen zu großen Datenmengen wechseln. Machine Learning Runtime enthält auch einzigartige Leistungsverbesserungen für die gängigsten Algorithmen sowie HorovodRunner, eine einfache API für verteiltes Deep Learning.
Funktionen
ML-Frameworks: Die beliebtesten ML-Bibliotheken und -Frameworks, einschließlich TensorFlow, Keras, PyTorch, MLflow, Horovod, GraphFrames, ScikitLearn, XGboost, Numpy, MLeap und Pandas, werden standardmäßig bereitgestellt.
Wie es funktioniert
Machine Learning Runtime baut auf Databricks Runtime auf. Mit jeder neuen Version von Databricks Runtime erhält es dementsprechend auch ein Update. Erhältlich ist es für die gesamte Databricks-Produktpalette wie Azure Databricks, AWS-Cloud, GPU-Cluster und CPU-Cluster.
Wenn Sie ML Runtime nutzen möchten, wählen Sie beim Erstellen Ihres Clusters einfach die ML-Version von Runtime aus.
